燃料電池發動機故障診斷專家系統設計與研究＊

全 睿 全書海 謝長君 陳啟宏

（武漢理工大學汽車工程學院1） 武漢理工大學自動化學院2） 武漢 430070）

0 引 言

作為一種清潔、高效、環境友好的新型動力源，燃料電池發動機由于成本、使用壽命、耐久性和可靠性等因素制約了其產業化和市場推廣程度［1］.朱新堅等［2－3］在國內最早開展了燃料電池可靠性的定性分析和單片電池的健康診斷研究；A.Ingimundarson等［4］利用機理建模方法對電堆氫氣泄露進行識別；L.A.M.Riascos等［5］利用Baysian網絡對氫氧混合、風機故障、冷卻系統故障和氫氣低壓幾種故障進行識別；M.Gerbec［6］和R.Quan［7］等利用故障樹分析法對燃料電池發動機的常見故障建立了故障樹模型，但如何進一步完善模型并將之應用到實際中還有待探討.專家系統可以充分利用和積累本領域的專家知識和技術人員的維修經驗，結合一定的推理方法，實現故障的快速檢測、準確定位和預測，并能提出相關維修方法和建議，因此，設計燃料電池發動機可離線和在線診斷的專家系統對進一步提高其安全性、可靠性和可維修性是很有必要的.

1 燃料電池發動機的故障特點分析

以自主研發的60kW燃料電池發動機為例，其結構見文獻［8］中的圖1.從功能結構上可細分為氫氣供給系統、空氣供給系統、加濕系統、氫氣循環系統、循環水系統、燃料電池堆、控制器、單片電壓巡檢單元等.

依據課題組自2003年研發出“楚天一號”燃料電池轎車以來針對燃料電池、燃料電池發動機以及燃料電池車的研發經驗總結，結合所收集的各種故障數據，燃料電池發動機的常見故障類型如下：（1）傳感器故障.燃料電池發動機的傳感器包含有壓力、流量、溫度、液位、電導率、相對濕度、電壓、電流等傳感器.根據其故障原因可分為偏差故障、沖擊故障、開路故障、漂移故障、短路故障、周期性干擾故障.在實際應用中，結合燃料電池發動機的工作情況和控制命令信息，若某一傳感器的輸出超出規定的范圍或輸出信號變化率超過最大理論值時，可判定為該傳感器轉換電路或感應部件發生故障；（2）執行器故障.燃料電池發動機的執行器包括風機、電磁閥、繼電器、冷卻風扇、循環水泵和氫氣循環泵等，當確定控制線路正常時，若控制器發出控制命令信號后執行器無響應或響應遠離期望值時可判斷其發生故障，通常造成其故障的部位在其控制電路和內部相關部件；（3）線路故障.包括線路的短路、斷路、打鐵和接觸不良，該故障一般在研發初期出現，通常是由工作人員在系統集成與安裝過程中不規范操作或由于線路選型、設計和布局不合理造成；（4）電堆故障.燃料電池堆的故障可以分為由于水失衡、管路堵塞、高溫、高壓力差、氫氧混合、催化劑中毒以及關鍵組件自身性能衰減或裝配加工不可靠等造成的質子交換膜、電極和雙極板故障等；（5）控制器故障.主要包括硬軟件故障.其中，硬件故障包括供電電路、最小系統、信號采集電路、輸出電路和通信電路由于設計不合理或部分元器件失效造成無法正常工作甚至系統失控；軟件故障主要包括潛在的程序BUG或相關過程參數控制策略不完善導致系統性能衰減甚至損壞；（6）誤用故障.由于能量管理策略的不合理，使燃料電池發動機過載或輸出功率超出當前的實際輸出能力，導致單片電池性能急劇下降甚至造成不可修復的永久性損壞；或由于人為誤操作和工作疏忽，一方面導致氫氧直接混合帶來氫氣燃爆等安全隱患，另一方面導致某些部件或設備直接毀壞等.

2 故障診斷專家系統的總體結構

本文所設計的燃料電池發動機故障診斷專家系統其基本組成主要由人機接口、數據庫、知識庫和推理機構成，同時還添加其它輔助單元，見圖1.

圖1 故障診斷專家系統的總體結構

單片巡檢單元、檢測單元和控制器構成燃料電池發動機的信號采集系統，系統實時檢測各種過程參數和工作狀態，對于某些非系統過程參數需要工作人員借助相關儀器儀表進行定量檢測或依賴聽覺、視覺和嗅覺進行進行定性判斷（見后述），當出現相關故障現象時，首先對故障進行定位，確定故障出現在哪個子系統，然后根據規則庫中的知識進行推理，最后通過人機接口給出故障原因及其相關處理措施，另外還可根據診斷的要求對知識進行修改、刪除和添加.

3 專家系統知識庫的設計

3.1 故障樹模型和知識庫的構建

以“燃料電池發動機運行故障”為頂事件，結合系統的結構特點及工作機理，由實際維修經驗總結及燃料電池電化學反應機理，建立其總體故障樹模型，見圖2.現以系統其中一個子故障樹“空氣供給系統故障”為例，有關其他自系統更多的故障樹模型可參考文獻［5，7，9］.

圖2 燃料電池發動機的故障樹模型

將故障樹的頂事件看作專家系統的故障征兆，將底事件看作最終的診斷結果，故障樹的層次邏輯結構對應于專家系統的推理過程，因此，故障樹與專家系統的知識庫可以通過割集關聯起來.考慮到關系數據庫便于修改、刪除和添加，因此采用關系數據庫作為各個故障子樹模型的知識存儲，用字段和代碼相結合方法表示樹中各節點之間的層次關系，見表1和2.

表1 故障樹的字段定義

表2 故障樹的字段和代碼表示

3.2 知識的表示

本系統利用產生式規則［10］進行知識表示.在這里對產生式規則進行模糊化加以改進，從而形成模糊產生式規則表示法，這樣既充分考慮到診斷知識的模糊性、不確定性以及規則的強度，又符合人的思維，便于人機交換信息和規則的在線修改、擴充和刪減.其表示法一般寫為

式中：a為前提，b為結論，CF為規則的置信度（μi＝0～1），由診斷專家根據維修人員的經驗提煉后給出的.對于多個邏輯關系的前提，一般有以下3種表達形式.

針對圖2所示的“空氣供給系統故障”的故障樹模型（若未加說明，全文相關研究方法和思路僅以“空氣供給系統故障”為例加以論述），以3.1所述的以頂事件為前提，底事件為故障原因，例如可以得到如下一條規則：

破除結論中的“或”關系，添加各條規則的置信度，結合表1和表2的故障樹用字段加代碼表示法，可進一步提煉如下.

在這里需要指出的是，針對產生式規則的任意一個前提是當頂事件發生的同時，該中間事件的故障現象（即故障征兆）出現來確定的，規則R401～R403中的前提F401的確定過程簡單描述如下：

其中：T為燃料電池發動機系統故障樹的頂事件，F4和F401的定義如表1和2所列，這里的故障征兆有些可直接通過信號采集系統獲取的參數表征，有些故障征兆需要專家借助檢測設備或通過經驗獲取.

為了方便知識庫中規則的查詢和存儲，利用數據庫建立故障規則表和故障條件表分別見表3和表4.

表3 故障規則表

表中，RuleID為規則編號，用RXXX表示，FSTID為故障樹節點代碼，FSTreason代表故障原因或診斷結論，Rused表示規則是否成功匹配（1代表匹配成功，0代表未能匹配），FSTCS為故障處理措施，RCF為規則的置信度，FSTMS為節點征兆描述，flag為條件匹配標志（1為匹配成功，默認值為0）.將表3中的規則以RuleID為帶頭節點，以前提和診斷結論作為必備要素，結合規則的匹配條件、故障診斷措施和置信度以圖3所示的鏈表形式［11］在工作區進行知識的連續存儲.

圖3 知識鏈表

4 推理機

為了與工作人員常用的故障診斷思維方式相一致，根據燃料電池發動機故障的特點，系統采用正向推理策略，見圖4.

圖4 正向推理流程

首先，系統根據當前故障征兆和相關工作狀態確定故障范圍，即找出各個故障子樹的頂事件；其次，針對正向推理中出現的“沖突消解”［12］，系統根據各個規則的置信度RCF，結合專家經驗確定故障樹中各節點事件的優先級（置信度RCF越大，其優先級越高）；然后從規則庫中選擇規則利用深度優先搜索法對兩者進行前提匹配，匹配成功則進行故障樹下一節點的故障診斷，直到進行到底事件為葉節點，最后給出診斷結果和處理措施，匹配不成功通過知識庫維護系統對故障樹進行錄入和補充.

5 專家系統的初步實現與運行舉例

5.1 主界面的設計

運行故障診斷專家系統后，首先進入到專家系統的主界面，如圖5所示，專家系統包含了數據庫、知識庫管理單元、幫助文檔，并綜合了離線故障診斷和實時在線狀態監測與手動控制功能.

圖5 主界面

5.2 知識庫的維護

點擊主界面的“知識庫管理”按鈕，進入知識庫維護界面，增加節點時，需要提供該其父節點和子節點的故障編號、故障現象、與其他分支的邏輯關系等，在建立節點間的關系后，計算機可以自動按照If…Then的格式將節點轉化為規則的表示形式并生成知識鏈表，并將其添加到系統相應的故障子樹中；刪除某一分支時，只需提供其故障名稱或編號及其父節點的故障編號即可.

5.3 診斷實例分析

燃料電池發動機的各種過程參數（如單片電壓、電流、溫度和流量等）由單片巡檢單元、檢測單元采集，通過CAN總線傳送給控制單元，并由控制單元最終通過USB（或串口）將實時參數發送給實時監控界面，其中各個參數的安全閥值根據實際調試要求設置.對于圖2故障樹中的一些常見典型故障，系統可以直接利用數據庫引擎調用緩沖區存儲的數據，結合發動機自檢、啟動、正常運行、過載運行和停車5種工作模式時的過程參數安全閥值直接給出診斷結果，這就是系統的實時在線診斷功能.

經過試用驗證，本系統可以很好的解決燃料電池發動機一般性的故障診斷問題，滿足了設計和實際維修、維護的需要，與傳統的一旦出現故障利用相關工具和儀表逐個排除故障的方式相比，效率更高，診斷結果更直觀.

5.4 自學習機制

本系統的自學習功能為［13］：（1）正確案例的學習.初始狀態下規則庫中的每條規則置信度RCF、故障樹節點的故障概率主要由專家（本課題組的幾名教授構成）給出，或由事先的先念概率（來自電控技術總監）確定，燃料電池發動機系統結構的復雜性、各個階段和使用條件下部件故障分布的隨機性，對底事件發生概率好規則置信度的動態修改提出了一定要求.因此，當系統對某種故障診斷成功時，規則庫中與之匹配的故障樹節點其故障概率和規則置信度RCF分別自動增加0.001和0.01；（2）錯誤案例的學習.當系統診斷針對某個故障診斷失敗或無法找到匹配的規則時，系統將自動輸出失敗的原因，并結合已有的診斷能力給出近似的補救措施，提醒工作人員或專家改進知識庫和推理機制.這樣經過多次反復驗證和改進，系統的智能水平和診斷效率將逐漸提高.

6 結束語

本系統較好的繼承了前人的維修和診斷經驗，能對燃料電池發動機常見的典型故障做出準確的分析和判斷，并給出相關診斷措施，在實際工作中進行系統維護和故障診斷中獲得了良好的效果.目前針對燃料電池發動機故障診斷，可參考的實用文獻有限，因此本文所做的研究也只是一個初步的探討，針對知識的獲取、知識庫和故障樹模型的建立和完善，需要在今后的實踐中通過不斷積累經驗和數據加以完善.

［1］陳全世，齊占寧.燃料電池電動汽車的技術難關和發展前景［J］.汽車工程，2001，23（6）：361－364.

［2］邵慶龍，曹廣益，朱新堅.質子交換膜燃料電池可靠性分析［J］.能源技術，2003，24（4）：145－148.

［3］郭家興，朱新堅，曹廣益.質子交換膜燃料電池故障診斷［J］.電源技術，2008，32（8）：528－531.

［4］Ingimundarson A，Stefanopoulou A G，McKay D.A model－based detection of hydrogen leaks in a fuel cell stack［C］／／Proceedings of IEEE Transactions on Control Systems Technology，2008：1 004－1 012.

［5］Riascos L A M，Simoes M G，Miyagi P E.A bayesian network fault diagnostic system for proton exchange membrane fuel cells［J］.Journal of Power Sources，2007：267－278.

［6］Gerbec M，Jovan V，Petrovcic J.Operational and safety analyses of a commercial PEMFC system［J］.International Journal of Hydrogen Energy，2008，33（5）：4147－4160.

［7］Quan R，Tan B H，Quan S H.Study on fault tree analysis of fuel cell stack malfunction［C］／／Proceedings of 2010International Conference on Measuring Technology and Mechatronics Automation，2010：579－582.

［8］全 睿，全書海，黃 亮.基于模糊故障樹的燃料電池發動機氫安全性［J］.上海交通大學學報，2010，44（7）：951－956.

［9］全 睿.燃料電池發動機故障診斷研究［D］.武漢：武漢理工大學汽車工程學院，2009.

［10］王俊國，尹 泉，萬淑蕓.基于規則的機車柴油機故障診斷專家系統［J］.武漢理工大學學報：交通科學與工程版，2003，27（6）：785－787.

［11］王 弘，余 化，黃雄武.制氧機組故障診斷專家系統知識庫的研制［J］.華中科技大學學報：自然科學版，2006，34（11）：91－92.

［12］魏傳鋒，李運澤，王 浚.航天器熱故障診斷專家系統推理機的設計［J］.北京航空航天大學學報，2005，31（1）：61－62.

［13］張 健，廖 瑛，莊景釗.基于故障樹分析法的某型直升機故障診斷專家系統設計分析［J］.航空計算技術，2002，32（3）：76－78.